In den letzten Jahren sind Graph Neural Networks (GNNs) zu einem beliebten Werkzeug geworden, um die Genauigkeit und Leistungsfähigkeit von Empfehlungssystemen zu verbessern. Moderne Empfehlungssysteme dienen nicht nur Endnutzern, sondern auch anderen Beteiligten, wie beispielsweise Produkten und Anbietern von Produkten. Diese Beteiligten können unterschiedliche oder sogar widersprüchliche Ziele und Interessen verfolgen, was die Notwendigkeit von Fairness- und Populärkeitsbias-Berücksichtigung aufwirft. GNN-basierte Empfehlungsmethoden leiden ebenfalls unter Ungerechtigkeiten und Populärkeitsbias, und ihre Normalisierungs- und Aggregationsprozesse sind diesen Herausforderungen ausgesetzt. In diesem Paper stellen wir ein faires, auf GNNs basierendes Empfehlungssystem namens HetroFair vor, das die Fairness auf Produkseite verbessern soll. HetroFair verwendet zwei getrennte Komponenten zur Erzeugung von fairheitsbewussten Embeddings: i) Fairnessbewusste Aufmerksamkeit, die das Skalarprodukt in den Normalisierungsprozess von GNNs integriert, um den Einfluss der Knotengrade zu reduzieren. ii) Heterophilie-basierte Merkmalsgewichtung, um während des Aggregationsprozesses unterschiedliche Gewichte für verschiedene Merkmale zuzuweisen. Zur Bewertung der Wirksamkeit von HetroFair führen wir umfangreiche Experimente auf sechs realen Datensätzen durch. Unsere experimentellen Ergebnisse zeigen, dass HetroFair nicht nur die Ungerechtigkeit und den Populärkeitsbias auf Produkseite reduziert, sondern auch eine überlegene Genauigkeit auf Nutzerebene erreicht. Unsere Implementierung ist öffentlich unter https://github.com/NematGH/HetroFair verfügbar.